真阳性率（True Positive Rate，TPR）和召回（Recall）都是用来衡量分类模型的性能指标。在二分类问题中，真阳性率是指分类器将正实例正确地判定为正实例的概率，而召回是指分类器能够识别所有真实正实例的能力。
两者之间存在一定关系，可以用以下方程式表示：
TPR = TP / (TP + FN)
Recall = TP / (TP + FN)
其中，TP代表真阳性数量（即本来就是正例被分类器预测为正例的数量），FN代表误判为负例的数量（即本来是正例但被分类器误判为负例）。从方程式可以看出，两个指标的分母部分是相同的，都是真实的正例数量，区别在于分子部分的不同。
真阳性率侧重于衡量分类器正确地将正实例分类为正的能力，因此其分子部分是分类器正确分类的正实例数量。而召回则更侧重于衡量分类器找到所有真实正实例的能力，也就是尽可能不错过任何一个真实正实例，其分子部分则是所有真实的正实例被分类器正确分类的数量。
这种表示可以用于许多自然语言处理和机器学习任务，例如文本分类、情感分析和信息检索。在信息检索中，用户的查询可以被表示为向量，
需要注意的是，在不同的应用场景中，真阳性率和召回的权重会有所不同。例如在肿瘤检测中，为了尽量减少漏诊（即将真实患病者误判为健康），应该更加侧重于高召回率；而在垃圾邮件过滤中，为了尽量减少误判（即将非垃圾邮件误判为垃圾邮件），则应该更加侧重于高精度和低误判率。
总之，真阳性率和召回都是二分类问题中常用的性能指标，通过对其意义和方程式的理解，可以更好地评估模型的分类能力，同时也有助于进行调优和应用。
